Mengapa pola yang kuat dalam data Anda tidak membuktikan adanya hubungan sebab-akibat?
Pola yang kuat tidak membuktikan hubungan sebab akibat karena pola yang sama dapat muncul ketika faktor ketiga memengaruhi kedua angka, ketika arah sebab akibatnya terbalik, atau ketika kecocokannya hanya kebetulan. Korelasi mengukur seberapa erat dua hal berubah bersama; korelasi tidak menjelaskan alasannya.
Bayangkan sebuah peritel perlengkapan rumah fiktif dengan 30 toko, Larkfield Home. Manajer penjualan, Priya, sedang meninjau kuartal lalu. Delapan toko mengadakan demonstrasi peralatan masak pada akhir pekan dan 22 toko tidak. Data ekspornya seperti ini: 'Toko dengan demo: penjualan mingguan rata-rata 41,200. Toko tanpa demo: 34,900. Selisih: +18%. Catatan: toko demo dipilih oleh manajer area. Demo sebagian besar berlangsung Nov hingga Des. Toko demo mencakup 5 dari 6 toko terbesar kami.' Asisten AI yang meringkas lembar tersebut menulis: 'Demonstrasi peralatan masak mendorong kenaikan penjualan mingguan sebesar 18%. Penerapannya di semua toko seharusnya meningkatkan pendapatan.' Direksi ingin menyetujui penerapan tersebut pada hari Senin.
| Kelompok toko | Toko | Rata-rata penjualan mingguan | Situs terbesar yang disertakan | Bulan saat demonstrasi berlangsung |
|---|---|---|---|---|
| Toko demo | 8 | 41,200 | 5 dari 6 | Sebagian besar pada November dan Desember |
| Toko non-demo | 22 | 34,900 | 1 dari 6 | Tidak ada |
Bagaimana cara menguji apakah suatu korelasi menunjukkan hubungan sebab akibat?
Uji korelasi dengan menyingkirkan tiga penjelasan alternatif satu per satu, lalu, jika memungkinkan, lakukan perbandingan yang adil dengan hanya membedakan faktor yang diduga menjadi penyebab. Setiap langkah di bawah ini merupakan pertanyaan yang Anda ajukan terhadap data sebelum siapa pun mengeluarkan uang.
1. Cari faktor perancu
Faktor perancu adalah faktor ketiga yang memengaruhi kedua hal yang Anda bandingkan. Di Larkfield, ukuran toko dan musim merupakan kemungkinan faktor perancu: toko besar memang menjual lebih banyak, dan November serta Desember merupakan bulan dengan penjualan peralatan masak yang ramai. Tanyakan apa lagi yang berbeda di antara kedua kelompok tersebut.
2. Periksa arahnya
Kausalitas terbalik berarti hal yang dianggap sebagai akibat justru menyebabkan hal yang dianggap sebagai penyebab. Jika manajer wilayah memberikan demo kepada toko yang kinerjanya sudah baik, peningkatan penjualanlah yang memicu pemberian demo, bukan sebaliknya. Tanyakan bagaimana kelompok-kelompok tersebut dipilih.
3. Pertimbangkan faktor kebetulan
Dengan delapan toko dan satu kuartal, selisih dapat muncul secara kebetulan, terutama jika seseorang meninjau banyak promosi dan hanya melaporkan promosi yang paling menonjol. Tanyakan berapa banyak perbandingan yang dilakukan dan apakah pola tersebut tetap terlihat pada periode lain.
4. Bandingkan hal-hal yang setara
Bandingkan toko demo dengan toko non-demo yang serupa pada minggu-minggu yang sama: toko besar dengan toko besar, toko kecil dengan toko kecil. Jika sebagian besar selisihnya menghilang, berarti faktor peranculah yang menyebabkan perbedaan tersebut.
5. Jalankan eksperimen
Pengujian terkuat adalah uji coba terkontrol: pilih toko-toko yang sebanding, tentukan secara acak separuhnya untuk mengadakan demonstrasi pada minggu-minggu yang sama, lalu bandingkan hasilnya. Penentuan secara acak meratakan faktor ukuran, lokasi, dan riwayat penjualan, sehingga perbedaan yang tersisa jauh lebih mungkin disebabkan oleh demonstrasi tersebut.
Seperti apa penafsiran data Larkfield yang lemah dan yang telah diperbaiki?
Penafsiran yang lemah menerima ringkasan AI begitu saja: 'Demonstrasi meningkatkan penjualan sebesar 18%, jadi adakan di semua toko.' Penafsiran ini mengubah selisih yang diamati antara dua kelompok yang berbeda dalam ukuran, musim, dan cara pemilihan menjadi janji tentang apa yang akan terjadi di 22 toko lainnya.
Interpretasi yang diperbaiki berbunyi: 'Toko yang mengadakan demo menjual 18% lebih banyak per minggu, tetapi sebagian besar merupakan lokasi terbesar kami, mengadakan demo pada dua bulan tersibuk kami, dan dipilih oleh manajer area. Jika lima toko besar yang mengadakan demo dibandingkan dengan toko besar tanpa demo pada minggu yang sama, selisihnya sekitar 4%, yang masih dalam variasi normal antarminggu. Kami belum dapat memastikan apakah demo membantu. Usulan: uji coba enam minggu di 12 toko berukuran sedang yang sebanding, dengan enam toko dipilih secara acak untuk mengadakan demo, sambil mengukur penjualan peralatan masak dan jam kerja staf.' Versi itu memberi tahu direksi apa yang diketahui, apa yang belum diketahui, dan cara mencari tahu, dengan konsekuensi penundaan satu bulan.
Bagaimana ringkasan AI bisa menyesatkan Anda melalui korelasi?
Ringkasan AI paling sering menyesatkan dengan menggambarkan korelasi menggunakan kata-kata sebab-akibat seperti 'mendorong', 'menyebabkan', 'meningkatkan', atau 'karena', sehingga suatu pola terdengar seperti dampak yang telah terbukti. Model bahasa menulis penjelasan angka dengan lancar; model tidak mengetahui cara toko-toko tersebut dipilih kecuali Anda menjelaskannya, dan jarang mengakui tanpa diminta bahwa model tidak dapat membedakan sebab-akibat dari kebetulan.
Anda dapat mengurangi hal ini dengan memberikan konteks yang belum dimiliki asisten (cara kelompok dipilih, tanggal, ukuran sampel) dan memintanya memisahkan apa yang ditunjukkan data dari kemungkinan penjelasannya. Kemudian baca hasilnya untuk menemukan kata kerja yang menyiratkan sebab-akibat dan ganti masing-masing dengan apa yang benar-benar diamati, misalnya 'toko yang mengadakan demonstrasi juga memiliki penjualan lebih tinggi'.
Bagaimana cara memeriksa klaim sebab akibat sebelum bertindak berdasarkan klaim tersebut?
Periksa klaim sebab-akibat dengan menanyakan bagaimana kelompok dipilih, apakah penyebab terjadi sebelum akibat pada kedua kelompok, apakah perbedaannya tetap ada pada periode lain atau sampel yang lebih besar, dan apakah ringkasannya menggunakan frasa 'berkaitan dengan' ketika bukti yang ada hanya menunjukkan korelasi. Tulis jawabannya di samping klaim sebelum siapa pun menyetujui pengeluaran.
Apa saja kesalahan umum terkait korelasi dan sebab-akibat?
Kesalahan paling umum adalah menerapkan perubahan karena dasbor menunjukkan kesenjangan, tanpa menanyakan bagaimana kelompok-kelompok tersebut dibentuk. Kesalahan lainnya: menganggap koefisien korelasi yang tinggi sebagai bukti, melaporkan satu promosi dari dua puluh yang hasilnya terlihat baik, melupakan faktor musiman, dan menganggap tidak adanya korelasi berarti tidak ada pengaruh. Kesalahan sebaliknya juga membuang uang: menolak bertindak sampai ada kepastian penuh, padahal uji coba acak berskala kecil biasanya murah.
Di bagian mana pelajaran ini berada di Tosheo.ai?
Pelajaran ini merupakan bagian dari kategori Sains Data dan Analitik dan ditempatkan di bagian awal kursus sains data, karena setiap topik berikutnya, dari dasbor hingga pembelajaran mesin, bergantung pada kemampuan untuk tidak menganggap pola sebagai penyebab. Di Tosheo.ai, tugas praktik memberi Anda kumpulan data fiktif dan ringkasan yang ditulis AI, dan umpan balik berdasarkan panduan penilaian menunjukkan setiap klaim sebab-akibat yang tidak didukung oleh data. Ini adalah landasan profesional, bukan program gelar statistika.
Sumber dan cakupan
Australian Bureau of Statistics: korelasi dan sebab-akibat (diperiksa 19 October 2026) ↗